Madera y Bosques 21 1 : 45-62 2015 valoración de paisajes ... · 46 Zubelzu y Hernández. Método...
Transcript of Madera y Bosques 21 1 : 45-62 2015 valoración de paisajes ... · 46 Zubelzu y Hernández. Método...
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
45
1 Universidad Complutense de Madrid. Departamento de Estadística e Investigación Operativa II. Campus de Somosaguas. Madrid, España.
2 ANSER Ingenieros SL. Grupo de Investigación Do-cencia y Medio Ambiente. Madrid, España.
* Autor de correspondencia. [email protected]
Método de valoración de paisajes forestales basado en el uso de atributos estéticos como variables explicativas de las preferencias
Assessment method for forest landscapes based on aesthetic attributes as explanatory variables of preferences
Sergio Zubelzu1, * y Ana Hernández2
ResumenEn el presente trabajo se ha desarrollado un método de valoración del paisaje a partir de una aproximación mixta empleando variables relacionadas con atributos estéticos. Para ello se ha propuesto una relación de variables que permiten cuantificar de forma objetiva en fotografías sus líneas, formas, colores, textura, composición espacial y escala. Se han medido estas variables para un paisaje de carácter forestal y se ha consultado a la población el valor que asignan a ese paisaje. Con la información anterior se han probado técnicas esta-dísticas de regresión para deducir un método predictivo de las preferencias a partir de los atributos estéticos. El modelo óptimo deducido adopta una forma lineal y alcanza a explicar 60,1% de la varianza de las preferencias de la población.
Palabras clave: atributos formales, gestión del paisaje, métodos mixtos, paisaje visual, valoración paisajística.
AbstRActthis paper presents an assessment method for forest landscapes based on a mixed approach using aesthetics attributes. A set of variables have been deduced in order to objectively quantify in photographs its lines, colors, shapes, texture, scale and spatial composition. Refe-rred variables have been measured in a forest landscape and preferences for that landscape have been collected. Using this information, regression functions have been tested to deduce a predictive method for preferences. The deduced optimum method adopts a linear structure and is able to explain 60,1% of the variance of population preferences.
Key words: aesthetic attributes, landscape management, mixed methods, visual landscape, landscape assessment.
IntRoduccIón
En numerosas ocasiones se ha cuestionado la validez de
los métodos de valoración del paisaje para proporcionar
soluciones que abarquen el concepto en toda su compleji-
dad (Velázquez et al., 2012). Para ser considerados como
válidos, estos métodos de valoración deben permitir una
gestión del paisaje que considere los rasgos más caracterís-
ticos del mismo entre los que cabe citar su componente
territorial, la percepción mediante la que el territorio se
convierte en paisaje, la consideración de la población o la
extensión del paisaje a todo el territorio independiente-
mente de su singularidad. Tradicionalmente, los métodos
de valoración del paisaje se han clasificado en directos,
indirectos y mixtos (Muñoz-Pedreros, 2004), ninguno de
los cuales ha suscitado un acuerdo extendido entre la
comunidad científica en cuanto a su mayor validez.
46
Zubelzu y Hernández. Método de valoración de paisajes forestales
A los métodos directos (deducen el valor del paisaje
mediante la observación directa del mismo sin desagrega-
ción ninguna del paisaje en componentes) se les critica su
falta de operatividad y representatividad, así como la
forma en la que manejan la subjetividad (García Moruno,
1998). Los indirectos (obtienen el valor del paisaje
mediante la desagregación y valoración de cada uno de los
elementos constituyentes del paisaje) son criticados por su
incapacidad para respetar el carácter sistémico del paisaje
(Arriaza et al., 2004). Por su parte, los métodos mixtos
(combinación de directos e indirectos, explican el valor
obtenido mediante la observación de la totalidad a partir
de la desagregación y valoración de sus elementos consti-
tuyentes), aun habiéndose reconocido su mayor aptitud en
algunos trabajos (Daniel, 2001), en la práctica no termi-
nan de resolver muchas de las críticas referidas a métodos
directos e indirectos.
Tampoco existe acuerdo respecto de los atributos a
considerar dentro de los métodos indirectos o mixtos. A
los atributos de carácter ambiental se les achaca su falta
de consideración de la percepción (Daniel y Vining, 1983),
mientras que a los atributos estéticos y psicológicos se les
critica por su difícil comprensión y medición (Daniel y
Vining, 1983). A los atributos estéticos cabe reconocerles
sin embargo una mayor universalidad en su aplicación,
como afirman Daniel y Boster (1976), lo que constituye
una ventaja para su aplicación a los paisajes no singulares
(Rubio y Muñoz, 2008). Además, existen evidencias de la
relación existente entre los atributos estéticos y las etapas
iniciales objetivas de la percepción humana tal y como
han demostrado, entre otros, Bartels y Zeki (2006), Borst
y Kosslyn (2008) o Lewis et al. (2011). Esta mayor proxi-
midad con la percepción también ha sido probada de
forma específica en el contexto paisajístico (Gobster y
Chenoweth, 1989).
Por otro lado, existen múltiples referencias al análisis
paisajístico en contextos forestales, ya sea orientados a la
evaluación de los efectos derivados de la ejecución de acti-
vidades forestales (Nielsen et al., 2012; Otero, 2009;
Smith et al., 2012; Young y Wesner, 2003), al efecto de los
condicionantes culturales sobre las preferencias (Ryan,
2012) o al estudio de la estructura ecológica del paisaje
(Altamirano et al., 2012; Chapa-Bezanilla et al., 2008).
No es tan frecuente la existencia de modelos que
incorporen la percepción o que permitan valorar un pai-
saje en sí mismo, no vinculado al impacto derivado de la
ejecución de una actividad concreta. Quizás los exponen-
tes más relevantes de este tipo de modelos procedan de los
trabajos de Franco et al. (2003) o de Sheppard (2004),
pero adolecen de operatividad práctica y de aptitud para
la sistematización, debido a la necesidad de consultar a la
población ante cada necesidad de valoración.
Este problema de operatividad puede superarse gra-
cias a las técnicas estadísticas en las que se basan los
métodos mixtos. Esta clase de métodos cuentan con la
ventaja de incorporar las preferencias de la población
desde la propia construcción del modelo al actuar como
variable dependiente en el contexto de los modelos de
regresión.
objetIvos
El objetivo principal del presente trabajo ha sido desarro-
llar un método de valoración del paisaje que permita supe-
rar los inconvenientes planteados en los párrafos
precedentes. Para ello se ha optado por desarrollar un
modelo basado en una aproximación mixta, en la que el
valor expresado por la población para un tipo concreto de
paisaje sea explicado mediante sus atributos estéticos.
Para el empleo de los atributos estéticos se han definido
variables que permiten cuantificarlos de forma objetiva
gracias a la medición de magnitudes físicas en fotografías.
Este esquema proporciona un valor para los paisajes que
incluye la percepción y la participación de la sociedad.
Además, el uso de atributos estéticos garantiza la aplicabi-
lidad y cercanía con los procesos de percepción.
El planteamiento de los trabajos realizados ha par-
tido de la negación de la universalidad, al menos a
priori, de los métodos de valoración del paisaje. Si se
incorpora la percepción, y la consecuente subjetividad,
en el análisis paisajístico, no puede ser de otra manera,
puesto que no existen evidencias empíricas que permi-
tan deducir la existencia de preferencias universales
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
47
por paisajes concretos (Milani, 2009) y la búsqueda de
jerarquías universales de paisajes carece de sentido
práctico (Berleant, 2010).
mAteRIAles y métodos
Para desarrollar el método ha sido necesario en primer
lugar seleccionar el tipo de paisaje sobre el que se define. En
segundo lugar se ha requerido proponer una estrategia para
la medición de los atributos en el paisaje en cuestión. Poste-
riormente se midieron los atributos en el paisaje y se recopi-
laron las preferencias de la población para, en último lugar,
construir el método de valoración a partir de estos datos.
Selección del paisaje objeto del método
Para la selección del tipo de paisaje se empleó un criterio
de uniformidad visual. La zona concreta estuvo formada
por 15 municipios de la zona norte de la provincia de
Ávila (España) en los que resultaba dominante la presen-
cia de monte bajo y pasto mediterráneo con dehesa de baja
densidad de encina (mayoritariamente Quercus ilex subsp.
Ballota con fracción de cabida cubierta < 50%). Estos
usos principales del suelo coexisten con parcelas de uso
agrícola. En la figura 1 (a) se observa la localización del
área en estudio y algunas de las fotografías (b) empleadas
para la construcción del método.
Se realizó una campaña de campo para identificar las
escenas que representasen de forma adecuada los atribu-
tos estéticos para esta clase de paisajes. Para ello se toma-
ron un total de 718 fotografías desde 92 puntos. Para
realizar los trabajos de campo se garantizó la homogenei-
dad de las condiciones que afectan a la visibilidad, apli-
cando lo planteado por Smardon et al. (1979). Se tomaron
todas las imágenes en el mes de junio del año 2012 entre
las 12 h 00 y 14 h 00.
Definición y medición de atributos en el paisaje
La estrategia de medición de los atributos se definió
tomando como punto de partida los trabajos realizados
Figura 1. (a) Localización del área de estudio en la zona norte de la provincia de Ávila. Castilla y León, España. (b) Fotografías
características de la zona incluidas en el estudio.
48
Zubelzu y Hernández. Método de valoración de paisajes forestales
por la Bureau of Land Management (B.L.M.) en las guías
siguientes: Visual Resource Management (B.L.M., 1980a),
Visual Resource Inventory (B.L.M., 1980b) y Visual Resou-
rce Contrast Rating (B.L.M., 1980c).
Para simplificar la medición de los atributos, no se
tomaron en cuenta las clasificaciones concretas hechas
por estos autores para líneas, formas, textura, composi-
ción espacial y escala, sino que se recurrió a mediciones de
carácter genérico. Además, las definiciones que para estos
atributos propone la B.L.M. (1980a, 1980b, 1980c) están
orientadas a medir el contraste derivado de la ejecución de
una determinada actividad, lo que impide su uso para
valorar un paisaje en sí mismo sin que se pretenda evaluar
ninguna actividad.
Lo anterior motivó la necesidad de proponer las
siguientes definiciones sobre las que basar la medición de
los atributos:
• Las líneas se generan por el contraste entre dos colo-
res adyacentes y son rectas (unen dos puntos sin cam-
bios de dirección) o curvas (arcos de circunferencia).
• Las formas proceden de delimitar objetos aislables
sobre un fondo, sin que alcancen a constituir un
patrón en la escena.
• La textura se origina a partir de un conjunto de gra-
nos que se repiten hasta formar un patrón en la
escena.
• La composición espacial la definen las líneas del hori-
zonte (entendidas de igual forma que en el atributo
líneas) y las superficies ocupadas en la fotografía por
el cielo y por el resto de elementos presentes.
• Dentro de la escala se incluye cualquier elemento
(entendido de igual manera que en el atributo formas)
que generase contraste respecto de cualquiera de los
atributos medidos en el resto de la escena.
• El color se define a partir del modo de medida RGB
(rojo, verde, azul).
Se utilizaron fotografías para caracterizar el paisaje
y sus atributos, asumiendo la validez de este vehículo ya
demostrada por Sevenant y Antrop (2011), entre otros
autores. Para medir líneas, formas, textura, composi-
ción espacial y escala se empleó el programa Autocad
2008R insertando la fotografía en dimensiones 100 cm x
75cm. Por su parte, para la medición del color y la gene-
ración de los histogramas se usó el programa ImageJR.
La relación de variables utilizadas para caracterizar
cada uno de los atributos referidos es la que se incluye en
la tabla 1.
Como resultado de la medición de las variables
expuestas en la tabla 1 se generaron, para cada una de las
imágenes, esquemas como los incluidos en la figura 2.
Preferencias de la población
Para las consultas se seleccionaron 100 fotografías que
representasen de forma óptima el tipo de paisaje. Se
realizaron encuestas en diferentes sesiones exponiendo
las fotografías en un orden aleatorio en cada sesión. Se
solicitó a los encuestados la valoración de las fotogra-
fías mediante una escala cualitativa a la que se hizo
corresponder una equivalencia numérica según se
observa en la tabla 2.
Para seleccionar la muestra de individuos a la que
realizar las encuestas se identificaron los condicionantes
sociales que de forma más relevante pudieran sesgar los
resultados (siguiendo a Van den Berg y Koole, (2006), se
utilizaron la edad y el tipo de relación con el paisaje ana-
lizado, considerando para ello el lugar de residencia y la
profesión) y se definieron estratos dentro de cada condi-
cionante, de forma similar a los trabajos de Krause
(2001) o Sevenant y Antrop (2011). La selección de indi-
viduos se realizó equilibrando el tamaño de los diferen-
tes estratos y, dentro de cada uno de ellos, los individuos
fueron seleccionados según una estrategia de muestreo
aleatorio simple. La composición final de la muestra con
arreglo a cada uno de los criterios queda reflejada en la
tabla 3.
La determinación del tamaño óptimo de la muestra
se enfrenta con el problema de la delimitación de la
población susceptible de valorar el paisaje estudiado
puesto que, bajo el criterio menos restrictivo, toda la
población del mundo sería susceptible de valorar el pai-
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
49
Líneas
Número de líneas presentes en la fotografía
Longitud media (cm)
Coeficiente de variación longitud media
Formas
Número de formas presentes en la fotografía
Superficie media (cm2)
Coeficiente de variación superficie media
Longitud media del eje definido por la dimensión mayor de las formas (cm)
Coeficiente de variación longitud media eje
Ángulo medio eje (grados)
Coeficiente de variación ángulo medio eje
Textura
Número de granos presentes en la fotografía
Superficie media granos (cm2)
Coeficiente de variación superficie media granos
Composición espacial
Superficie terreno Proporción sobre la superficie total
Superficie cielo Proporción sobre la superficie total
Línea del horizonte
Número de líneas que componen el horizonte
Longitud media (cm)
Coeficiente de variación longitud media
Escala
Elementos
Número de elementos incluidos en la variable escala
Superficie media (cm2)
Coeficiente de variación superficie media
Ejes
LongitudMedia (cm)
Coeficiente de variación
ÁnguloMedia (grados)
Coeficiente de variación
Color
RGBValor medio
Coeficiente de variación
RGB-Rojo Valor absoluto de la diferencia entre valores medios
RGB-Azul Valor absoluto de la diferencia entre valores medios
RGB-Verde Valor absoluto de la diferencia entre valores medios
Tabla 1. Relación de variables empleadas para caracterizar los atributos estéticos.
saje, lo que llevaría el problema a situaciones no mane-
jables. Así, ante la inconveniencia de cuantificar la
población objetivo, para acotar la solución, se recurrió
a fijar un tamaño mínimo que permitiese limitar el
error de estimación de la media de las preferencias
mediante un intervalo de confianza. La amplitud del
intervalo de confianza inicialmente fijada fue de 5%
(Error = 2,5%) de la extensión de la escala de valora-
ción, suponiendo una deviación típica (σ) máxima de
10%, también de la extensión de escala de valoración, y
50
Zubelzu y Hernández. Método de valoración de paisajes forestales
Figura 2. Ejemplo de una ficha de caracterización de atributos estéticos obtenida para cada una de las fotografías empleadas.
para un nivel de significancia (α) de 5%. La expresión
concreta para el cálculo (Zubelzu, 2014) y el resultado
quedan expuestos en la ecuación 1:
( )1 2 62Error Z nnas
-£ ® ³ (1)
Finalmente, la muestra utilizada ascendió a 104 indi-
viduos lo que permitió trabajar con un total de 10 400
valoraciones de fotografías acotando por tanto los márge-
nes de error inicialmente previstos.
Método de valoración
El objetivo del presente trabajo consiste en deducir un
modelo que permita explicar las preferencias de la pobla-
ción a partir de la caracterización de los atributos del pai-
saje. Las técnicas estadísticas de regresión proporcionan
la herramienta adecuada para ese propósito puesto que
permiten obtener una expresión que permite explicar los
valores de una variable dependiente (preferencias de la
población por el paisaje) a partir de una combinación de
variables independientes (variables que caracterizan los
atributos estéticos del paisaje). Además, el carácter predic-
tivo de la función resultante de la regresión permitiría su
aplicación en otros lugares en los que apareciese un pai-
saje comparable, lo que constituye otra ventaja de las téc-
nicas de regresión.
Los ajustes estadísticos se realizaron tratando de bus-
car el modelo con mayor capacidad explicativa. Aun exis-
tiendo riesgo de que el proceso perceptual completo no se
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
51
comporte de forma lineal, se probó esta clase de modelos
por su mayor simplicidad. Por otro lado, los modelos linea-
les son frecuentes en la bibliografía, proporcionando buenos
resultados como demuestran los trabajos de Cañas et al.
(2009), Deng et al. (2013), Hofmann et al. (2012), Mühl-
hauser et al. (2004) o Wang et al. (2012). Además, la per-
cepción de los atributos empleados en el presente trabajo se
realiza de forma independiente entre sí y en las etapas inicia-
les del proceso (Zeki, 2001), lo que avalaría la hipótesis
lineal. No obstante, en busca de la mayor capacidad expli-
cativa posible, se probaron también modelos no lineales
(exponencial, cuadrático, cúbico, logístico, inverso, expo-
nencial, así como combinaciones entre ellos y entre estos y el
modelo lineal) de cara a encontrar la expresión que aportase
una mayor capacidad para explicar las preferencias.
El planteamiento teórico del modelo lineal queda
expuesto en la ecuación 2, siendo vi el valor promedio expre-
sado por los 104 encuestados para cada una de las 100 foto-
grafías y xj la cuantificación de cada una de las 30 variables
independientes (Tabla 1) en cada una de las fotografías.
1 x21 x31 ... xj1 ... xm1
1 x22 x32 ... xj2 ... xm2
1 x2i x3i ... xji ... xmi
1 x2n x3n ... xjn ... xmn
V = Xβ+U
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
v1
v2
vi
vn
.
.
.
.
.
.
β1
β2
βi
βn
.
.
.
.
.
.
μ1
μ2
μi
μn
.
.
.
.
.
.
= + (2)
Para deducir los coeficientes de regresión (βi), se
recurrió a la técnica de los mínimos cuadrados generali-
zados debido a los riesgos de existencia de covarianzas
no nulas por las correlaciones entre las variables inde-
Modalidad cualitativa Equivalencia cuantitativa
No me gusta nada 0
Me gusta muy poco 1
Me gusta poco 2
Me gusta 3
Me gusta mucho 4
Me gusta muchísimo 5
Tabla 2. Clases empleadas para la consulta sobre las preferen-
cias y equivalencia numérica.
Condicionante Estratos Tamaño (porcentaje)
Edad
Menor 25 años 34 (32,69%)
Entre 25 y 45 años 34 (32,69%)
Mayor de 45 años 36 (34,62%)
Lugar de residencia
Pequeños municipios de la región o de otras en las que
el paisaje estudiado está presente 37 (35,58%)
Capitales de provincias donde el paisaje estudiado está
presente33 (31,73%)
Ciudades en cuyo entorno no se encuentra el tipo de
paisaje estudiado34 (32,69%)
Tipo de relación con el paisaje
Trabajo o dependencia económica con el paisaje 35 (33,65%)
Segunda residencia o turismo 33 (31,73%)
Sin relación 36 (34,62%)
Tabla 3. Características de la muestra seleccionada para las consultas.
52
Zubelzu y Hernández. Método de valoración de paisajes forestales
pendientes. Se utilizó un modelo de introducción de
variables (forward) incorporando secuencialmente las
variables de la tabla 1 que poseían una mayor correla-
ción con la variable explicada (preferencias). Se proba-
ron todas las combinaciones posibles de variables
independientes y se seleccionó el modelo óptimo, compa-
rando los coeficientes de determinación corregidos (coe-
ficiente que permite comparar la bondad de modelos
construidos a partir de un número diferente de variables
independientes) de cada uno de ellos. El coeficiente de
determinación corregido permite identificar la combina-
ción del menor número variables independientes que per-
mite explicar la mayor parte de la variabilidad de la
variable dependiente, lo que hace que que el modelo que
proporcione el mayor coeficiente de determinación corre-
gido sea el modelo óptimo.
La deducción de los modelos no lineales se realizó
mediante el método Gauss-Newton (Ambrosio, 2000).
Para la selección final del modelo óptimo de entre los
lineales y no lineales se comparó el coeficiente de determi-
nación corregido de cada uno de ellos.
ResultAdos
Definición y medición de atributos en el paisaje
El primer paso para construir el método fue medir las
variables relacionadas en la tabla 1 para cada una de las
100 fotografías estudiadas. En la tabla 4 se incluyen los
estadísticos resumen de este proceso.
Los resultados de la cuantificación de las variables que
se incluyen en la tabla 4 muestran en general un número
elevado de líneas en las fotografías. Las líneas proceden
mayoritariamente de la delimitación de las parcelas agríco-
las que coexisten con los terrenos de uso forestal (Fig. 3a) o
por las infraestructuras de comunicación (Fig. 3b).
Las formas proceden de conjuntos vegetales (Fig. 4a)
en los casos en los que no constituyen un patrón. Por su
parte, la textura está caracterizada por una cantidad ele-
vada de granos que cuentan con una superficie media
pequeña al proceder mayoritariamente de elementos her-
báceos y arbustivos (Fig. 4b).
La composición espacial presenta un número escaso
de líneas de longitud elevada y un reparto de superficies
propio de zonas eminentemente llanas o con suaves ondu-
laciones (Fig. 5a). Dentro del atributo escala se incluyeron
elementos de origen mayoritariamente antrópico tales
como edificaciones o caminos (Fig. 5b).
En cuanto al color, los histogramas muestran en
general una luminosidad media vinculada al color azul
mayor que a las gamas de verde y rojo, siendo esta última
la gama menos luminosa.
Preferencias de la población
Las preferencias de la población se recopilaron mediante
encuestas. En la tabla 5 se observa un resumen de los
resultados de tales encuestas, comprobándose la domi-
nancia de los valores intermedios de la escala de valora-
ción.
Construcción del modelo
Para deducir el modelo de valoración se probaron las
expresiones lineales y no lineales referidas y se obtuvieron
los modelos concretos y los coeficientes de determinación
para cada uno de ellos. De entre todos los modelos dedu-
cidos, el que proporciona un mayor coeficiente de deter-
minación corregido (modelo óptimo) se construye a partir
de la relación de variables incluida en la tabla 6. Del total
del 30 variables consideradas inicialmente (Tabla 1), el
modelo óptimo hace uso de 19 únicamente, lo que facilita
su manejo.
El modelo óptimo expuesto en la tabla 6 no viola nin-
guno de los supuestos requeridos para el uso de modelos
lineales como la normalidad de los residuos (Test Kolmo-
gorov-Smirnov, sign=0,675), la multicolinealidad (tole-
rancia mínima=0,360, factor de inflación de la varianza
máximo=2,775) o la heterocedasticidad (Test de White,
nR2=34,7<X2232(0,05)=267,45, sign=0,000). El análisis
del test F realizado permite también descartar de forma
significativa la nulidad del coeficiente de determinación
del modelo óptimo (estadístico F=6,339 frente a la suma
de cuadrados explicada que asciende a 14,826,
sign=0,000).
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
53
Valor medioDesviación
típica
Intervalo de confianza*
LI LS
Líneas
Número 20,49 17,23 18,77 22,22
Longitud media 30,23 16,28 28,61 31,87
Coeficiente de variación longitud media 0,39 0,21 0,38 0,42
Formas
Número 13,31 10,83 12,23 14,40
Superficie media 57,61 93,96 48,22 67,02
Coeficiente de variación superficie media 1,38 0,72 1,31 1,46
Longitud media eje formas 16,66 13,18 15,34 17,98
Coeficiente de variación longitud media eje 0,85 0,42 0,81 0,89
Ángulo medio eje 13,34 11,90 12,15 14,53
Coeficiente de variación ángulo medio eje 1,17 0,80 1,10 1,26
Textura
Número de granos 5849,54 4731,22 5376,42 6322,67
Superficie media de granos 0,60 1,80 0,42 0,78
Coeficiente de variación típica superficie media
granos4,06 7,99 3,26 4,86
Composición
espacial
Superficie
terrenoProporción sobre el total 0,51 0,08 0,50 0,52
Superficie
cieloProporción sobre el total 0,48 0,08 0,48 0,50
Línea del
horizonte
Número 4,17 3,58 3,81 4,53
Longitud media 42,99 30,05 39,99 46,00
Coeficiente de variación longitud
media0,57 0,39 0,54 0,62
Escala
Elementos
Número 1,53 0,96 1,43 1,63
Superficie media 362,98 328,56 330,13 395,84
Coeficiente de variación superficie
media0,68 0,23 0,66 0,71
Ejes
Longitud
Valor medio 28,38 18,18 26,57 30,20
Coeficiente de
variación0,36 0,12 0,35 0,37
Ángulo
Valor medio 28,88 21,00 26,78 30,98
Coeficiente de
variación0,90 0,26 0,87 0,93
Color
RGBMedia 114,44 13,59 113,08 115,80
Coeficiente de variación 0,47 0,09 0,46 0,48
RGB-Rojo Valor absoluto 17,67 5,042 17,17 18,18
RGB-Azul Valor absoluto 14,38 6,32 13,75 15,02
RGB-Verde Valor absoluto 4,48 3,91 4,09 4,88
*α=0,05
Tabla 4. Estadísticos resumen de las variables empleadas para caracterizar los atributos estéticos.
54
Zubelzu y Hernández. Método de valoración de paisajes forestales
Figura 3. (a) Ejemplo de delimitación de líneas generadas por parcelas agrícolas. (b) Ejemplo de delimitación de líneas generadas por
infraestructuras de comunicación.
Figura 4. (a) Ejemplo de modelización de formas procedentes de conjuntos vegetales. (b) Delimitación del grano de formaciones
vegetales que constituyen un patrón y, por lo tanto, textura.
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
55
Valor medio Moda Desviación típicaIntervalo de confianza*
Máximo MínimoLS LI
2,39 2,24 0,50 2,49 2,29 3,72 1,13
*α=0,05
Tabla 5. Resumen de las preferencias por las fotografías procedentes de las encuestas.
Figura 5. Ejemplo de modelización de los atributos composición espacial (a) y escala (b).
El valor concreto del coeficiente de determinación
corregido para el modelo óptimo resulta ser de 0,506,
siendo su coeficiente absoluto 0,601. Los modelos no
lineales proporcionaron coeficientes de determinación
considerablemente inferiores a los lineales, siendo la cifra
más elevada (R2=0,302) la que proporcionaría un modelo
cúbico construido a partir del coeficiente de variación de
la medida RGB.
De esta forma, el coeficiente de determinación
obtenido para el modelo óptimo implica que la parte
de las preferencias explicadas de forma objetiva a tra-
vés de los atributos representaría 60,1% de la variabi-
lidad del proceso perceptual. Si la relevancia de cada
variable independiente de cara a explicar la variable
dependiente se mide a través de su coeficiente de regre-
sión tipificado, cabe concluir a la vista de los coeficien-
tes expuestos en la tabla 6, cómo el mayor peso lo
ostentan la superficie media de los granos y la variabi-
lidad referida a la medida RGB (sombreados en gris
oscuro en la tabla 6).
Si se analizan los resultados del nivel de significación
de los coeficientes de regresión en la tabla 6 se observa
56
Zubelzu y Hernández. Método de valoración de paisajes forestales
Modelo βi
βi
Tipificadot SIGN
(Constante) 0,330 0,738 0,463
Líneas
Número -0,008 -0,277 -2,208 0,030
Longitud media -0,005 -0,177 -1,937 0,056
Coeficiente de variación longitud media 0,284 0,124 1,602 0,113
Formas
Número de formas 0,016 0,348 2,905 0,005
Coeficiente de variación superficie media 0,125 0,230 2,521 0,014
Longitud media eje 0,005 0,124 1,595 0,115
Coeficiente de variación longitud media eje -0,213 -0,193 -1,877 0,064
Textura
Número de granos 1·10-4 0,225 2,528 0,013
Superficie media granos 0,102 0,370 4,297 0,000
Coeficiente de variación superficie media granos -0,006 -0,109 -1,374 0,173
Composición espacial
Número de líneas horizonte 0,045 0,316 2,781 0,007
Longitud media línea horizonte 0,003 0,193 1,827 0,071
Superficie cielo 1,467 0,195 2,106 0,038
Escala
Longitud eje -0,002 -0,104 -1,301 0,197
Coeficiente de variación longitud eje -0,520 -0,268 -1,925 0,058
Ángulo medio eje 0,002 0,096 1,172 0,245
Coeficiente de variación ángulo medio eje 0,294 0,231 1,663 0,100
ColorCoeficiente de variación RGB 1,861 0,359 3,660 0,000
RGB-VERDE 0,025 0,199 2,003 0,049
Tabla 6. Relación de variables y estadísticos que conforman el modelo con mayor coeficiente de determinación corregido (modelo
óptimo).
cómo existen 10 coeficientes (sombreados en gris claro en
la tabla 6) para los que no se puede descartar que sean
iguales a cero (α=0,05). Entre estos 10 coeficientes no se
encuentra ninguno de los vinculados a las variables más
relevantes citadas en el párrafo precedente. La representa-
ción gráfica de este modelo óptimo junto con los resulta-
dos de las encuestas para cada una de las fotografías se
incluye en la figura 6.
En la figura 7 se presenta un gráfico que ilustra la
relevancia de cada atributo en el modelo óptimo calcu-
lado. El peso de cada atributo se ha medido a través del
porcentaje que la suma de los valores absolutos de los coe-
ficientes de regresión referidos a cada atributo representan
sobre el total. Puede observarse en el gráfico incluido en la
figura 7 la relevancia de los atributos color y composición
espacial en la explicación de las preferencias.
El reparto expuesto en la figura 7 es coherente con
los coeficientes de correlación lineal entre cada una de
las variables y las preferencias otorgadas a las escenas.
Como se observa en la tabla 7, los mayores resultados
para este coeficiente, en valor absoluto, (sombreados en
color gris en la tabla 7) son los referidos al color (valor
medio y coeficiente de variación de la medida RGB y dife-
rencia entre RGB y verde) y a la composición espacial
(proporciones de terreno y de cielo sobre la superficie
total).
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
57
Figura 6. Representación del valor obtenido en las encuestas y de las predicciones del modelo.
Líneas FormasTextura
Composición espacial
Escala
Color
Atributo Valor absoluto PorcentajeLíneas 0,297 5,96%Formas 0,359 7,20%Textura 0,108 2,17%Composición espacial 1,515 30,40%
Escala 0,818 16,42%Color 1,886 37,85%
Figura 7. Importancia de cada uno de los atributos en el modelo a partir de la suma de los coeficientes de regresión.
dIscusIón
En el presente trabajo se ha desarrollado una estrategia
que permite medir los atributos estéticos de forma obje-
tiva y sistematizable basada en una relación de variables
que pueden medirse directamente sobre fotografías. Esta
técnica de medición de atributos, y por tanto de caracteri-
zación del paisaje, permite superar los inconvenientes
achacados a los atributos estéticos por García Moruno
(1998), Muñoz-Pedreros (2004) o Zhao et al. (2013) que
aluden a la dificultad para definirlos adecuadamente e
incluso para medirlos de forma objetiva y sistematizable.
La estructura de las variables independientes en el
modelo óptimo (Tabla 6) es el resultado de la mejor com-
binación posible de cara a explicar las preferencias. Por
ello, la aplicación del modelo deducido para cualquier
58
Zubelzu y Hernández. Método de valoración de paisajes forestales
Líneas
Número 0,088
Longitud media -0,223*
Coeficiente de variación longitud media 0,163
Formas
Número 0,113
Superficie media -0,009
Coeficiente de variación superficie media 0,059
Longitud media eje formas 0,084
Coeficiente de variación longitud media eje -0,074
Ángulo medio eje -0,021
Coeficiente de variación ángulo medio eje -0,006
Textura
Número de granos 0,158
Superficie media de granos 0,250*
Coeficiente de variación típica superficie media granos -0,117
Composición espacial
Superficie terreno Proporción sobre el total 0,379*
Superficie cielo Proporción sobre el total -0,379*
Línea del horizonte
Número 0,195
Longitud media -0,049
Coeficiente de variación longitud
media 0,012
Escala
Elementos
Número -0,040
Superficie media -0,191
Coeficiente de variación superficie
media -0,048
Ejes
Longitud
Media -0,204*
Coeficiente de
variación -0,013
Ángulo
Media -0,064
Coeficiente de
variación -0,051
Color
RGBValor medio -0,381*
Coeficiente de variación 0,526*
RGB-Rojo Valor absoluto -0,013
RGB-Azul Valor absoluto -0,258*
RGB-Verde Valor absoluto 0,373*
* Coeficientes de correlación lineal estadísticamente significativos (Contraste basado en distribución t-Student, α=0,05)
Tabla 7. Coeficientes de correlación lineal entre las preferencias expresadas por la población y las variables empleadas para caracterizar
los atributos
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
59
otro paisaje comparable garantiza que el valor obtenido
será indicativo de las preferencias por ese paisaje. Puede
por tanto ser aplicado por cualquier individuo capaz de
medir las variables independientes del modelo en una
fotografía. Ello hace que pueda considerarse superada la
discusión relativa a los modelos basados en la percepción
o los basados en expertos, analizada por Daniel (2001) o
por Lothian (1999).
El modelo óptimo deducido para predecir las prefe-
rencias de la población permite explicar una proporción
de la varianza de las preferencias que en términos absolu-
tos supera a 60%. Este dato es intermedio a los resultados
obtenidos en otros trabajos. Franco et al. (2003) alcanza-
ron 99,1% referido al efecto de operaciones agroforesta-
les, Arriaza et al. (2004) 50% para paisajes rurales o
Schirpke et al. (2013) 72% para paisajes alpinos. La por-
ción de las preferencias explicada por el modelo puede
interpretarse como la componente compartida por todos
los individuos, relacionada con factores innatos, explica-
ble a través de la relación de atributos estéticos incluidos
en el modelo. Por el contrario, la porción no explicada
sería achacable a las influencias diferenciales (factores
adquiridos de carácter individual, social o cultural) de
cada individuo.
La contribución de factores innatos y adquiridos de
cara a explicar la percepción y el valor asignado a los pai-
sajes ha sido estudiada por diferentes autores, encon-
trando resultados de diferente naturaleza. Algunos autores
concluyen que la componente común a las preferencias
por los paisajes es mayoritaria. Este es el caso, por ejem-
plo, de Van den Berg y Koole (2006), quienes observaron
que la influencia de los factores sociales y culturales alcan-
zaba a explicar 16% de las preferencias por paisajes con
diferente grado de intervención humana, conclusiones
similares a las deducidas en otros estudios como los lleva-
dos a cabo por Howley et al. (2012) o Svobodova et al.
(2012). Por el contrario, otros autores como Arbogast et
al. (2000) demostraron que la mayor influencia procedía
del efecto de los factores sociales y culturales. Stamps
(1996) también se sitúa en esta última línea y concluye que
la mayor parte de la varianza es imputable a variables sub-
jetivas (basadas en el efecto de los condicionantes adquiri-
dos), mientras que la parte de la varianza basada en
atributos objetivos es muy inferior (30% frente a 7%). Los
resultados obtenidos en el presente trabajo, especialmente
el valor del coeficiente de determinación, nos sitúan en la
línea de los autores que abogan por la mayor relevancia de
los factores innatos sobre las preferencias por los paisajes.
Centrando el análisis en la estructura del modelo, la
mayor relevancia de los atributos color y composición
espacial obliga a descartar los métodos de valoración que
asignan el mismo peso a cada atributo y se confirman las
conclusiones de González (2000) y Otero (2009) que
apuntaban al color como el atributo más relevante. Esta
mayor relevancia del color es también apoyada por los
estudios referidos a la psicología de la percepción ya refe-
ridos en el presente trabajo. Si los resultados del modelo se
analizan a la vista de cada una de las variables concretas,
se observa cómo las dos variables con mayor peso dentro
del modelo, medidas a través de los coeficientes de regre-
sión tipificados (tabla 6), son la superficie media de los
granos y la variabilidad de la medida RGB, ambas con
signo positivo. La primera de ellas está relacionada con la
presencia de conjuntos arbóreos que constituyen textura.
La mayor preferencia por estas formaciones vegetales
sería acorde con los resultados obtenidos por algunos
autores como por ejemplo Arriaza et al. (2004) o Kalten-
born y Bjerke (2002) que observaron preferencias crecien-
tes por la vegetación percibida como natural. La relevancia
de la variabilidad vinculada al color implica preferencias
crecientes por fotografías en las que mayor es la variabili-
dad del color. Este resultado es coherente con el observado
por Junge et al. (2011) en cuanto a las preferencias cre-
cientes por la diversidad en las fotografías o, de forma
más concreta, por Arriaza et al. (2004) que observaron
preferencias crecientes por el contraste de color en las
fotografías.
Las variables que mayor relevancia ejercen sobre las
preferencias en sentido negativo, medidas a través de los
coeficientes de regresión tipificados (tabla 6), son el
número de líneas y la variabilidad en la longitud del eje de
los elementos incluidos en la variable escala. Ambas varia-
60
Zubelzu y Hernández. Método de valoración de paisajes forestales
bles están relacionadas con las escenas en las que se com-
binan infraestructuras lineales o edificaciones (ambas con
un eje de dominancia vertical) con el resto de elementos
del paisaje en los que resulta más frecuente la presencia de
elementos con eje horizontal. Este resultado denota la
menor preferencia de los individuos por los elementos de
carácter antrópico y coincide con lo observado por otros
autores como Luckmann et al. (2013).
conclusIones
En la presente investigación se ha desarrollado un método
para valorar el paisaje forestal de uso mayoritario monte
bajo y pastizal mediterráneo. Este método de valoración
del paisaje permite superar los inconvenientes achacados a
los modelos actuales, referidos a la subjetividad en la
determinación de las características del paisaje y a la con-
sideración de la población en la determinación del valor.
Su vinculación con los atributos estéticos garantiza la cer-
canía con los mecanismos de percepción humana. Ade-
más, la totalidad de variables empleadas para la
caracterización de los atributos estéticos pueden ser medi-
das de forma objetiva, con lo que se limita la complejidad
para su cuantificación.
El modelo se ha construido de forma que las preferen-
cias de la población actúan como variable dependiente,
que condiciona las ponderaciones asignadas a cada una de
las independientes. Esto garantiza que las preferencias
quedan incorporadas en el modelo y que son ellas quienes
definen la forma en la que las distintas variables explicati-
vas participan en la justificación de las preferencias. A la
vista de los resultados del modelo (coeficiente de determi-
nación), se puede afirmar que la mayor parte de la varia-
bilidad en las preferencias por el paisaje analizado se
explica a partir de factores comunes a todos los individuos
consultados (60,1% de la variabilidad en las preferencias),
quedando la menor parte (39,9% de la variabilidad en las
preferencias) explicada por la influencia de los condicio-
nantes sociales y culturales que justificarían las diferen-
cias individuales en la valoración del paisaje.
El modelo óptimo para deducir el valor del paisaje
adopta una estructura lineal y las dos variables que
ejercen un efecto más relevante sobre las preferencias
están relacionadas con el color y la textura. La combi-
nación de variables independientes que conforman el
modelo óptimo permite concluir que las preferencias de
la población son crecientes ante fotografías en las que
existe diversidad de elementos vegetales de diferente
tamaño que conforman un patrón en la imagen (varia-
ble superficie media de los granos) y en las que existe
contraste entre la gama de colores presentes (variable
coeficiente de variación de la medida RGB). Por el con-
trario, las preferencias son decrecientes en relación a
elementos de carácter antrópico tales como infraestruc-
turas lineales y edificaciones (variables longitud media
de las líneas y coeficiente de variación de la longitud del
eje de los elementos incluidos dentro de la variable
escala). Finalmente, centrando el análisis en los atribu-
tos, la estructura del modelo óptimo deducido permite
concluir que color y composición espacial son los dos
atributos que en mayor medida contribuyen a modelar
las preferencias.
RefeRencIAs
Altamirano, A., A. Miranda, y C. Jimenez. 2012. Incertidumbre
de los índices de paisaje en el análisis de la estructura
espacial. Revista Bosque (Valdivia) 33(2):171-181.
Ambrosio, L. 2000. Econometría. Servicio de Publicaciones
Escuela Técnica Superior de Ingenieros Agrónomos. Uni-
versidad Politécnica de Madrid. Madrid. 211 p.
Arbogast, F., D.H. Knepper y W.H. Langer. 2000. The Human
factor in Mining reclamation. US Geological Survey Cir-
cular 1191. US Department of the Interior, US Geological
Survey. Denver. 28 p.
Arriaza, M., J.F. Cañas-Ortega, J.A. Cañas-Madueño y P. Ruiz-
Avilés. 2004. Assessing the visual quality of rural lands-
capes. Landscape and Urban Planning 69(1):115-125.
Bartels, A. y S. Zeki. 2006. The temporal order of binding
visual attributes. Vision Research 46(14):2280-2286.
Berleant, A. 2010. Reconsidering Scenic Beauty. Environmental
Values 19(3):335-350.
B.L.M. 1980a. Visual Resource Management. Manual 8400.
Bureau of Land Management. Washington. 15 p.
Madera y Bosques vol. 21, núm. 1 : 45-62 Primavera 2015
61
B.L.M. 1980b. Visual Resource Inventory. Manual H-8410-1.
Bureau of Land Management. Washington. 28 p.
B.L.M. 1980c. Visual Resource Contrast Rating. Manual 8431.
Bureau of Land Management. Washington. 32 p.
Borst, G. y S.M. Kosslyn. 2008. Visual mental imagery and
visual perception: Structural equivalence revealed by
scanning processes. Memory & Cognition 36(4):849-
862.
Cañas, I., E. Ayuga y F. Ayuga. 2009. A contribution to the
assessment of scenic quality of landscapes based on prefe-
rences expressed by the public. Land Use Policy
26(4):1173-1181.
Chapa-Bezanilla, D., J. Sosa-Ramírez y A. de Alba-Ávila. 2008.
Estudio multitemporal de fragmentación de los bosques
en la sierra Fría, Aguascalientes, México. Madera y Bos-
ques 14(1):37-51.
Daniel, T.C. 2001. Whither scenic beauty? Visual landscape
quality assessment in the 21st century. Landscape and
Urban Planning 25:267-281.
Daniel T.C. y R.S. Boster. 1976. Measuring landscape aesthe-
tics: the scenic beauty estimation method. Research Paper
RM–167. USDA Forest Service. Washington, EUA. 66 p.
Daniel, T.C. y J. Vining. 1983 Methodological issues in the
assessment of landscape quality. In: I. Altman y J.
Wohwill, eds. Behaviour and the natural environment.
Plenum Press. Nueva York. p:39-83.
Deng, S.Q., J.F. Yan, Q.W. Guan y M. Katoh. 2013. Short-term
effects of thinning intensity on scenic beauty values of
different stands. Journal of Forest Research 18(3):209-
219.
Franco, D., D. Franco, I. Mannino y G. Zanetto. 2003. The
impact of agroforestry networks on scenic beauty estima-
tion - The role of a landscape ecological network on a
socio-cultural process. Landscape and Urban Planning
62(3):119-138.
García Moruno, L. 1998. Criterios de diseño para la integración
de las construcciones rurales en el paisaje. Informes de la
construcción 50(458):71-73.
Gobster, P.H. y R.E. Chenoweth. 1989. The dimensions of
aesthetic preference: a quantitative analysis. Journal of
Environmental Management 29:47-72.
González, R. 2000. La fotografía como elemento para el análi-
sis y la simulación del paisaje forestal. Tesis Doctoral.
Universidad Politécnica de Madrid. Madrid. 719 p.
Hofmann, M., J.R, Westermann, I. Kowarik y E. Van der Meer.
2012. Perceptions of parks and urban derelict land by
landscape planners and residents. Urban Forestry and
Urban Greening 11:303-312.
Howley, P., C.O. Donoghue, y S. Hynes. 2012. Exploring public
preferences for traditional farming landscapes. Lands-
cape and urban planning 104:66-74.
Junge, X., P. Lindemann-Matthies, M. Hunziker y B. Schu-
pbach. 2011. Aesthetic preferences of non-farmers and
farmers for different land-use types and proportions of
ecological compensation areas in the Swiss lowlands. Bio-
logical Conservation 144(5):1430-1440.
Kaltenborn, B. y T. Bjerke. 2002. Visualization on forest lands-
cape preference research: a finish perspective. Landscape
and urban planning 59(1):1-11.
Krause, C.L. 2001. Our visual landscape–Managing the lands-
cape under special consideration of visual aspects. Lands-
cape Urban Planning 54:239-254.
Lewis, K.J.S., G. Borst y S.M. Kosslyn. 2011. Integrating visual
mental images and visual percepts: new evidence for
depictive representations. Psychological Research-
Psychologische Forschung 75(4):259-271.
Lothian, A. 1999. Landscape and the philosophy of aesthetics:
Is landscape quality inherent in the landscape or in the eye
of the beholder? Landscape and Urban Planning 44:177-
198.
Luckmann, K., V. Lagemann y S. Menzel. 2013. Landscape
assessment and evaluation of young people: Comparing
nature-orientated habitat and engineered habitat prefe-
rences. Environmental and Behavior 41(1):86-112.
Milani, R. 2009. Esthétiques du paysage. Art et contemplation,
Arles. Actes Sud. 239 p.
Mühlhauser, S.H., G. de la Fuente, J.A. Atauri y J.V. de Lucio.
2004. Influencia de la heterogeneidad del paisaje en la
calidad escénica: el caso precordillerano andino de la
cuenca de Santiago. Revista de Geografía Norte Grande
32:129-138.
62
Zubelzu y Hernández. Método de valoración de paisajes forestales
Muñoz-Pedreros, A. 2004. La evaluación del paisaje: una herra-
mienta de gestión ambiental. Revista Chilena de Historia
Natural 77:139-156.
Nielsen, A.B., E. Heyman y G. Richnau. 2012. Liked, disliked
and unseen forest attributes: Relation to modes of viewing
and cognitive constructs. Journal of Environmental
Management 113:456-466.
Otero, L. 2009. Arquitectura y diseño del paisaje forestal:
impacto de las plantaciones en el sur de Chile. XIII Con-
greso Forestal Mundial. Buenos Aires, 2009.
Rubio, P. y J. Muñoz. 2008. Gestión del Paisaje en áreas de inte-
rés natural. Cuadernos Geográficos 43:271-288.
Ryan, R.L. 2012. The influence of landscape preference and
environmental education on public attitudes toward wil-
dfire management in the Northeast pine barrens (USA).
Landscape and Urban Planning 107(1):55-68.
Schirpke, U., E. Tasser y U. Tappeiner. 2013. Predicting scenic
beauty of mountain regions. Landscape and Urban Plan-
ning 111:1-12.
Sheppard, S.R.J. 2004. Visual analysis of forest landscapes. In
Burley, J. Editor. Elsevier Encyclopedia of Forest Sciences,
Landscape and Planning Section. Oxford. p:440-450.
Smardon, R.C. Appleyard, D. Sheppard, S.R.J. y S. Newman.
1979. Prototype Visual Impact Assessment Manual. Syra-
cusa State University. Nueva York. 113 p.
Smith, E.L., I.D. Bishop, K.J.H. Williams y R.M. Ford. 2012.
Scenario Chooser: An interactive approach to eliciting
public landscape preferences. Landscape and Urban
Planning 106(3):230-243.
Sevenant, M. y M. Antrop. 2011. Landscape representation
validity: a comparison between on-site observations and
photographs with different angles of view. Landscape
Research 36(3):363-385.
Stamps, A.E. 1996. People and places: Variance components of
environmental preferences. Perceptual and Motor Skills
82:323-334.
Svobodova, K. Sklenicka, P. y K. Molnarova. 2012. Visual pre-
ferences for physical attributes of mining and post-mining
landscapes with respect to the sociodemographic charac-
teristics of respondents. Ecological engineering 43:34-44.
Van den Berg, A.E, y S.L. Koole. 2006. New wilderness in the
Netherlands: An investigation of visual preferences for
nature development landscapes. Landscape and Urban
Planning 78:362-372
Velázquez, J., S. Zubelzu, P.M. Díaz y A. Hernández. 2012.
Adecuación de la gestión paisajística española al convenio
europeo del paisaje. Análisis de las adaptaciones normati-
vas autonómicas y sus implicaciones prácticas sobre los
paisajes ordinarios. Actas XI Congreso Nacional de
Medioambiente. Madrid, 26-30 de Noviembre de 2011.
Wang, B.Z, P. He, S.Q. An y S.Y. Shen. 2012. Modeling scenic
quality of wetland landscape resources in South Dongting
Lake, China. Chinese Geographical Science 22:578-589.
Young, C. y M. Wesner. 2003. Valores estéticos de los bosques:
medición del impacto visual de las operaciones forestales.
Revista internacional de silvicultura e industrias foresta-
les. Unisylvia 54:23-37.
Zeki, S. 2001. Localization and globalization in conscious
vision. Annual Review of Neuroscience 24:57-86.
Zhao, J.W., R.H. Wang, Y.L. Cai y P.J. Luo. 2013. Effects of
visual indicators on landscape preferences. Journal of
Urban Planning and Development-ASCE 139(1):70-78.
Zubelzu, S. 2014. Estadística. Teoría y problemas. García
Maroto Editores, S.L. Madrid. 520 p.
Manuscrito recibido el 12 de septiembre de 2013.Aceptado el 4 de octubre de 2014.
Este documento se debe citar como:Zubelzu, S. y A. Hernández. 2015. Método de valoración de paisajes forestales basado en el uso de atributos estéticos como variables explicativas de las preferencias. Madera y Bosques 21(1):45-62.